Mein AI Tech-Stack: eine Kommandozentrale, viele Spezialisten

Wenn ich nach meinem wichtigsten KI-Werkzeug gefragt werde, lautet die kurze Antwort heute: die ChatGPT-App. Die genauere Antwort ist komplizierter. ChatGPT ist die Kommandozentrale meines AI Tech-Stacks. Es ist aber bewusst nicht das einzige Werkzeug und soll auch nicht jede Aufgabe selbst erledigen.

Der Markt erzählt gern die Geschichte vom einen Assistenten, der jede Wissens-, Schreib-, Analyse- und Coding-Aufgabe übernimmt. Für meinen Arbeitsalltag ist das nicht die passende Architektur. Ein Coding-Agent arbeitet in einem anderen Kontext als ein Assistent für Microsoft-365-Dokumente. Ein Tracing-System beantwortet andere Fragen als eine Traffic-Analyse. Ein Issue-Tracker erfüllt einen anderen Zweck als ein persönliches Wissenssystem.

Ich könnte versuchen, diese Unterschiede hinter einem Chatfenster zu verstecken. Die fachlichen Grenzen verschwinden dadurch aber nicht. Ich muss weiterhin wissen, welche Quelle eine Antwort stützt, welches System eine Aktion ausführt und wo ein Ergebnis überprüft werden kann. Meine bessere Frage lautet deshalb: Welche Rolle braucht mein Arbeitssystem, und welches Werkzeug erfüllt sie nachvollziehbar?

Die ChatGPT-App ist mein zentraler Einstiegspunkt. Dort laufen Kontext, Aufgaben und die Verbindung zu weiteren Arbeitssystemen zusammen. Ergänzt wird sie durch ein LLM-Wiki nach dem von Andrej Karpathy beschriebenen Muster.

Dieses Wiki ist für mich wichtiger als ein immer längerer Einzelprompt. Es hält relevante Zusammenhänge dauerhaft verfügbar: Arbeitsweisen, Projekte, Regeln, bestehende Entscheidungen und wiederkehrende Abläufe. Dadurch muss ich bei einer neuen Aufgabe nicht jedes Mal wieder bei null beginnen.

Die Bezeichnung Kommandozentrale bedeutet nicht, dass ChatGPT jede Aktion autonom ausführt. Sie beschreibt die organisatorische Rolle. Hier formuliere ich Ziele, verbinde Informationen und entscheide, welcher nächste Schritt sinnvoll ist. Je nach Aufgabe bleibt die eigentliche Ausführung in einem spezialisierten System.

Die folgende Zuordnung beschreibt meine aktuelle Nutzung am 19. August 2026, kein allgemeines Produktranking. Manche Rollen können sich mit neuen Funktionen oder veränderten Arbeitsabläufen verschieben.

Die einzelnen Produkte sind weniger wichtig als die drei Ebenen, die sie gemeinsam bilden: Kontext und Koordination, spezialisierte Ausführung sowie Rückkopplung aus Betrieb und Nutzung.

Auf der ersten Ebene halten Kommandozentrale und LLM-Wiki fest, worum es geht. Sie verbinden aktuelle Aufgaben mit vorhandenem Wissen und bereits getroffenen Entscheidungen. Ohne diese Ebene bleibt jede Interaktion ein Einzelauftrag: Ein Assistent kann eine gute Antwort erzeugen, kennt aber den längerfristigen Zusammenhang nicht.

Die zweite Ebene ist die spezialisierte Ausführung. Coding, Dokumentarbeit und Aufgabenverwaltung brauchen unterschiedliche Werkzeuge und Berechtigungen. Der Agent muss Repositories untersuchen, Änderungen vorbereiten und Ergebnisse prüfen können. Microsoft Copilot hat dagegen dort seinen Platz, wo Informationen und Dokumente in Microsoft 365 im Mittelpunkt stehen.

Die dritte Ebene liefert Rückmeldung. Arize hilft mir bei der Auswertung von Traces, Azure Log Analytics beim Blick auf den Systemzustand und die Google-Werkzeuge dabei, sichtbar zu machen, wie Inhalte über Suche und Website genutzt werden. So prüfe ich nicht nur den erzeugten Output, sondern auch Ablauf, Systemgesundheit und Wirkung.

Claude Code, Codex und Kiro stehen in meiner Architektur nebeneinander. Das wirkt zunächst redundant. Tatsächlich ist diese Redundanz teilweise beabsichtigt.

Coding-Aufgaben unterscheiden sich stark. Manche brauchen eine schnelle Änderung in einem klar begrenzten Repository. Andere erfordern viel Kontext, mehrere Prüfzyklen oder eine zweite Perspektive. Außerdem verändern sich Modelle, Agent Harnesses und Bedienkonzepte schnell.

Ich möchte meine Arbeitsweise deshalb nicht vollständig an ein einzelnes Coding-Werkzeug binden. Entscheidend sind für mich die Spezifikation, der erreichbare Projektkontext, die verfügbaren Werkzeuge und die Qualität der Rückkopplung. Der konkrete Agent ist eine wichtige Komponente, aber nicht die gesamte Architektur. Mehr zu diesem Gedanken beschreibe ich in Vom Chatbot zum Agent Harness.

Das bedeutet nicht, dass drei Werkzeuge für jedes Team sinnvoll sind. Mehr Auswahl erzeugt auch mehr Pflegeaufwand. Für meinen heutigen Arbeitsprozess ist die flexible Rollenverteilung wertvoller als die Vereinfachung auf einen einzigen Anbieter.

Ein Stack aus vielen Produkten ist noch kein gutes Arbeitssystem. Wichtiger ist, dass Menschen lernen, mit KI sinnvoll zu arbeiten. Das AI Fluency Framework von Rick Dakan und Joseph Feller beschreibt dafür vier miteinander verbundene Fähigkeiten.

Niemand braucht zu Beginn einen vollständigen AI Tech-Stack. Der sinnvollere Start ist ein klar abgegrenzter, wiederkehrender Arbeitsablauf mit überschaubarem Risiko: Informationen für ein Kundengespräch strukturieren, eine erste Dokumentfassung vorbereiten oder eine Entwicklungsaufgabe analysieren.

Für diesen einen Ablauf lässt sich praktisch lernen: Was delegiere ich? Welchen Kontext und welche Kriterien muss ich mitgeben? Wie prüfe ich das Ergebnis? Wo liegen die Grenzen für Daten und Freigaben?

Erst wenn dieser Ablauf zuverlässig funktioniert, lohnt sich der nächste Schritt. Vielleicht kommt eine gepflegte Wissensbasis hinzu, ein spezialisiertes Werkzeug für Coding oder Dokumentarbeit, oder ein wiederkehrender Teilschritt wird mit klarer Kontrolle automatisiert. So wachsen Stack und Arbeitsweise gemeinsam, statt dass ein Unternehmen zuerst viele Lizenzen beschafft und danach nach passenden Aufgaben sucht.

Mein eigener Stack ist auf diese Weise entstanden und bleibt veränderbar. Nicht jedes Team braucht dieselben Werkzeuge. Entscheidend ist, mit einer konkreten Arbeit zu beginnen, daraus Kompetenz aufzubauen und den nächsten Baustein erst dann hinzuzunehmen, wenn er einen klaren Nutzen schafft.

ChatGPT ist die Kommandozentrale meines AI Tech-Stacks. Der produktive Wert entsteht aber aus dem Zusammenspiel mit dem LLM-Wiki und den spezialisierten Werkzeugen rundherum.

GitHub und Notion strukturieren Arbeit und Wissen. Microsoft Copilot bearbeitet Aufgaben im Microsoft-365-Kontext. Claude Code, Codex und Kiro bilden die Coding-Ebene. Arize, Azure Log Analytics, Google Search Console und Google Analytics liefern Rückmeldung aus Agentenabläufen, Betrieb und Nutzung. Daily Tasks verbindet diese Informationen mit meinem Arbeitstag.

Ich suche deshalb nicht nach einem Super-Agenten, der alles ersetzt. Ich baue ein Arbeitssystem, in dem jedes Werkzeug eine nachvollziehbare Rolle hat und Ergebnisse wieder in die nächste Entscheidung einfließen.